ارائه کننده: رضا عبداللهی
استاد راهنما: دکتر مریم ایمانی آرانی
استاد مشاور: دکتر حسن قاسمیان یزدی
استاد ناظر داخلی: دکتر نادر مکاری یامچی
استاد ناظر خارج از دانشگاه: دکتر احمد کلهر (دانشگاه تهران)
تاریخ: 1403/10/16
ساعت: 11 تا 12:30
مکان: آزمایشگاه پردازش تصویر و آنالیز داده

چکیده:
سنجش از دور به معنای سنجش سطح زمین از فضا با استفاده از خواص امواج الکترومغناطیس ساطع شده، بازتاب شده یا پراش شده توسط اجسام مورد سنجش به منظور بهبود مدیریت منابع طبیعی، کاربری زمین و حفاظت از محیط زیست است. SAR یک روش تصویر برداری فعال مبتنی بر مایکروویو است که در سکوی‌های متحرک مانند هواپیما یا ماهواره استفاده می‌شود. وقتی از فعال صحبت می‌شود منظور این است که سنجنده به منبع انرژی خود برای تابش به ناحیه، مجهز است. این امکان وجود دارد که طول موج ارسالی را به نحوی انتخاب کرد که بتوان تضعیف امواج الکترومغناطیس ناشی از جو را نادیده گرفت. بنابراین سنجنده SAR می‌تواند تقریبا تحت هر شرایط آب و هوایی کار کند، و این یکی از مزیت‌های اصلی این سنجنده نسبت به سایر روش‌های سنجش از دور در این حوزه می‌باشد. با توجه به گستردگی سنجنده‌های PolSAR و قابلیت‌های آنان مانند تصویربرداری در شب و روز و در شرایط آب و هوایی مختلف و همچنین با توجه به حجم داده‌ای که تولید می‌کنند و اطلاعات مفیدی که در زمینه‌های مختلف به محققان ارائه می‌دهند، نیاز به پردازش خودکار و استناج از آن‌ها در سال‌ها قبل احساس شده و تا به امروز محققان بسیاری از زوایای مختلفی بر روی این نوع از داده‌ها به پژوهش پرداخته‌اند. با توجه به قابلیت‌های روش‌های یادگیری عمیق، همانند استنتاج و استخراج ویژگی به صورت یکپارچه، و همچنین ظرفیت‌هایی که از خود در حوزه‌های مختلف نشان داده‌اند، استفاده و بررسی آن‌ها در سال‌های اخیر به شدت افزایش یافته است. از چالش‌های اصلی این نوع از روش‌ها که به صورت تحت نظارت آموزش می‌بینند و به نسبت روش‌های ستنی‌تر یادگیری ماشین به نمونه‌های آموزشی بیش‌تری نیاز دارند، کمبود نمونه‌های آموزشی به علت زمان‌بر و هزینه‌بر بودن تهیه‌ی برچسب برای داده‌‌ی مورد نظر می‌باشد. از طرف دیگر یکی از چالش‌های خاص داده‌ی PolSAR وجود نویز Speckle است. در بسیاری از روش‌های طبقه‌بندی تصاویر از همگنی نواحی کمک گرفته می‌شود، مانند استفاده از شبکه کانولوشنی. که این همگنی در ذات صحنه‌ی مورد سنجش ما وجود دارد و این مساله مستقل از نحوه اکتساب تصویر می‌باشد. نکته قابل توجه این است که بسیاری از این روش‌ها به داده‌‌ی PolSAR صرفا از منظر تصویر توجه می‌کنند، مگر در پژوهش‌هایی که بر استخراج ویژگی به خصوص از منظر فیزیکی توجه دارند، مانند روش‌های تجزیه‌ای که به طور مختصری در فصل یک و دو به آن‌ها اشاره شد، اما در SAR جدای از ویژگی‌های متفاوتی که می‌تواند بیان کند، به خصوص از منظر فرکانسی، نحوه اکتساب و تشکیل تصویر آن متفاوت است. در این پژوهش سعی شده است تا با استفاده از نحوه‌ی تصویربرداری این نوع از سنجنده‌ها و در نظر گرفتن وجود خاصیت دنباله‌ای در این نوع از داده‌ها، با بهره‌گیری همزمان از خاصیت یکپارچگی صحنه و بافت توسط CNN از خاصیت دنباله‌ای نیز با کمک BiLSTM استفاده شود. برای بررسی عملکرد روش پیشنهادی از سه معیار صحت کل، میانگین صحت کلاس‌ها و ضریب کاپا و همچنین مقایسه کیفی نتایج بر روی چهار مجموعه داده استفاده شده است. نتایج حاصله نشان می‌دهد روش پیشنهادی مقاومت بیش‌تری به نویز دارد و توانسته با تعداد کمی از نمونه‌های آموزشی به نتایج امیدوار کننده‌ای دست یابد و سازگاری فضایی مطلوبی را ایجاد کند.